摘要

为了应对许多自动驾驶场景中车道布局不准确的问题（如上坡/下坡、颠簸等），最近提出了一些3D车道检测方法。以往的研究在复杂情况下表现不佳，主要是由于其从前视图到鸟瞰图（BEV）的空间变换设计过于简单，以及缺乏现实世界的高质量数据集。针对这些问题，我们提出了PersFormer：一种基于Transformer的端到端单目3D车道检测器，具有创新的空间特征变换模块。我们的模型通过参考相机参数，关注前视图中的相关局部区域来生成BEV特征。PersFormer采用了统一的2D/3D锚点设计，并引入了一个辅助任务，以同时检测2D和3D车道，从而增强了特征的一致性并共享了多任务学习的优势。此外，我们发布了首个大规模真实世界3D车道数据集之一：OpenLane，该数据集具有高质量的注释和丰富的场景多样性。OpenLane包含20万帧图像、超过88万个实例级别的车道、14个车道类别，以及场景标签和路径内封闭物体的注释，旨在促进车道检测及相关工业自动驾驶技术的发展。我们在新的OpenLane数据集及Apollo 3D Lane合成数据集上的实验结果表明，PersFormer在3D车道检测任务中显著优于现有的竞争基线方法，并且在OpenLane数据集的2D车道检测任务中也达到了与当前最先进算法相当的性能。项目页面可在https://github.com/OpenPerceptionX/PersFormer_3DLane 查看，而OpenLane数据集则可从https://github.com/OpenPerceptionX/OpenLane 获取。